Clusteranalyse oder Faktorenanalyse: Unterschiede

Wer einen umfangreichen Fragebogen oder einen großen Datensatz auswertet, steht oft vor derselben methodischen Entscheidung: Geht es um die Clusteranalyse oder Faktorenanalyse Unterschiede zwischen Variablen und Personen? Die Begriffe werden häufig verwechselt, weil beide Verfahren Komplexität reduzieren. Sie beantworten jedoch grundverschiedene Forschungsfragen. Eine falsche Wahl kann dazu führen, dass die Analyse zwar technisch korrekt gerechnet wird, die Ergebnisse aber nicht zur Hypothese passen.

Clusteranalyse oder Faktorenanalyse: Unterschiede im Kern

Die Faktorenanalyse untersucht Beziehungen zwischen Variablen. Ihr Ziel ist es, viele einzelne Items auf wenige übergeordnete Dimensionen, sogenannte Faktoren, zurückzuführen. Sie fragen beispielsweise nicht mehr nur danach, wie 20 Aussagen eines Burnout-Fragebogens einzeln zusammenhängen. Sie prüfen, ob sich dahinter möglicherweise die Dimensionen emotionale Erschöpfung, Distanzierung und reduzierte Leistungsfähigkeit verbergen.

Die Clusteranalyse untersucht dagegen Ähnlichkeiten zwischen Fällen. Fälle können Personen, Patienten, Unternehmen, Studienzentren oder biologische Proben sein. Das Verfahren gruppiert ähnliche Fälle zu Clustern. Die zentrale Frage lautet dann etwa: Welche Patientengruppen zeigen vergleichbare Symptomprofile?

Kurz gesagt: Faktorenanalyse verdichtet Variablen zu Dimensionen. Clusteranalyse verdichtet Personen oder andere Untersuchungseinheiten zu Gruppen. Dieser Unterschied entscheidet über die gesamte Auswertungslogik.

| Merkmal | Faktorenanalyse | Clusteranalyse |
|---|---|---|
| Analyseobjekt | Variablen und Items | Fälle, Personen oder Objekte |
| Ziel | Latente Dimensionen identifizieren | Ähnliche Gruppen bilden |
| Typische Frage | Welche Konstrukte messen die Items? | Welche unterschiedlichen Profile gibt es? |
| Ergebnis | Faktoren und Faktorladungen | Clusterzugehörigkeiten und Clusterprofile |
| Häufiger Einsatz | Skalenentwicklung, Fragebogenprüfung | Segmentierung, Typenbildung, Patientengruppen |

Wann ist eine Faktorenanalyse die richtige Wahl?

Eine Faktorenanalyse ist sinnvoll, wenn mehrere Variablen ein gemeinsames theoretisches Konstrukt abbilden könnten. Das ist besonders häufig in Psychologie, Pädagogik, Medizin und Sozialwissenschaften der Fall. Sie arbeiten etwa mit einer Skala zur Lebensqualität, Motivation, Angst oder Therapiezufriedenheit und möchten prüfen, welche inhaltlichen Dimensionen tatsächlich in Ihren Daten erkennbar sind.

Bei einer explorativen Faktorenanalyse steht die Frage im Vordergrund, welche Struktur sich aus den Daten ergibt. Sie ist geeignet, wenn die Faktorstruktur noch offen ist oder ein Instrument in einer neuen Population verwendet wird. Bei einer konfirmatorischen Faktorenanalyse prüfen Sie dagegen ein vorab formuliertes Modell. Dann kann beispielsweise getestet werden, ob ein Fragebogen wirklich aus den theoretisch erwarteten drei Subskalen besteht.

Das Ergebnis besteht nicht einfach aus einer kleineren Zahl von Variablen. Entscheidend sind die Faktorladungen: Sie zeigen, wie stark ein Item zu einem Faktor gehört. Hohe Kreuzladungen oder sehr niedrige Ladungen können darauf hinweisen, dass ein Item unklar formuliert ist oder nicht zur Skala passt. Für eine Abschlussarbeit oder Publikation ist das relevant, weil daraus konkrete Entscheidungen zur Skalenbildung und späteren Hypothesenprüfung folgen können.

Eine Faktorenanalyse braucht ausreichend zusammenhängende Variablen. Wenn die Items kaum korrelieren, gibt es keine gemeinsame Struktur, die sinnvoll extrahiert werden könnte. Kennwerte wie KMO und Bartlett-Test helfen bei der Beurteilung, ersetzen aber keine fachliche Prüfung. Auch die Wahl der Faktorenzahl sollte nicht allein anhand eines einzelnen statistischen Kriteriums erfolgen. Scree-Plot, Parallelanalyse, theoretische Plausibilität und Interpretierbarkeit gehören zusammen.

Wann sollten Sie eine Clusteranalyse einsetzen?

Die Clusteranalyse eignet sich, wenn Sie heterogene Gruppen in Ihrer Stichprobe sichtbar machen möchten. Ein medizinisches Forschungsteam könnte Patientinnen und Patienten anhand von Symptombelastung, Laborwerten und Lebensqualität gruppieren. In einer BWL-Studie lassen sich Kundengruppen nach Kaufverhalten, Preisorientierung und Nutzungsintensität bilden. Im Sport können Trainingsprofile oder Belastungsmuster identifiziert werden.

Anders als bei einem klassischen Gruppenvergleich existieren die Gruppen vor der Analyse noch nicht. Sie werden datenbasiert gebildet. Genau das macht die Methode attraktiv, aber auch anspruchsvoll: Eine Clusterlösung ist nicht automatisch objektiv, nur weil sie von einer Software ausgegeben wird. Sie hängt unter anderem von der Skalierung der Variablen, Ausreißern, dem Distanzmaß und dem gewählten Algorithmus ab.

Bei metrischen Daten wird häufig mit hierarchischen Verfahren oder k-means gearbeitet. Hierarchische Clusteranalysen helfen dabei, mögliche Gruppenzahlen zunächst zu erkunden. k-means kann anschließend eine zuvor begründete Lösung optimieren. Bei gemischten Datentypen oder sehr großen Datensätzen können andere Verfahren geeigneter sein. Die passende Methode richtet sich immer nach Datenstruktur und Forschungsziel, nicht nach dem gerade verfügbaren Software-Menü.

Besonders wichtig ist die Standardisierung. Wenn Einkommen in Euro und ein Fragebogenwert von 1 bis 5 gemeinsam in die Analyse eingehen, würde Einkommen ohne Standardisierung die Distanzberechnung dominieren. Ausreißer können ebenfalls künstliche Kleinstgruppen erzeugen oder ganze Lösungen verschieben. Vor der Clusteranalyse gehören deshalb Datenprüfung, eine begründete Variablenauswahl und eine transparente Dokumentation der Vorentscheidungen zum wissenschaftlichen Standard.

Ein Beispiel aus der Forschungspraxis

Angenommen, Sie erheben bei 300 Studierenden zwölf Aussagen zu Lernmotivation, Prüfungsangst und Selbstorganisation. Mit einer Faktorenanalyse könnten Sie prüfen, ob diese zwölf Items auf drei zugrunde liegende Dimensionen zurückgehen. Das Ergebnis wäre beispielsweise eine Motivations-, eine Angst- und eine Selbstorganisationsskala.

Mit einer Clusteranalyse könnten Sie dieselben Personen anhand dieser drei Skalenwerte gruppieren. Denkbar wären ein gut organisierter, hoch motivierter Typ mit geringer Prüfungsangst, ein belasteter Typ mit hoher Angst und niedriger Selbstorganisation sowie eine mittlere Gruppe. Die Faktorenanalyse beantwortet also, welche Dimensionen gemessen werden. Die Clusteranalyse beantwortet, welche Personenprofile in der Stichprobe auftreten.

Beide Verfahren können sich daher sinnvoll ergänzen. Häufig ist es methodisch sauberer, zunächst eine belastbare Faktorenstruktur oder valide Skalenwerte zu bestimmen und diese anschließend als Grundlage für die Clusteranalyse zu verwenden. Das gilt aber nicht als starre Reihenfolge. Wenn Ihre Variablen bereits fachlich etablierte und zuverlässig gemessene Kennwerte sind, kann eine direkte Clusteranalyse angemessen sein.

Die häufigsten Fehlentscheidungen

Ein verbreiteter Fehler besteht darin, eine Clusteranalyse zu verwenden, obwohl eigentlich geprüft werden soll, ob Fragebogenitems zusammengehören. Dann wären Faktorenanalyse und Reliabilitätsprüfung meist die passendere Wahl. Umgekehrt hilft eine Faktorenanalyse nicht weiter, wenn Ihre Kernfrage lautet, ob sich unterschiedliche Patiententypen oder Kundensegmente unterscheiden lassen.

Problematisch ist auch die rein automatische Auswahl der Clusterzahl. Zwei, drei oder vier Cluster können rechnerisch möglich sein. Wissenschaftlich überzeugend wird eine Lösung erst, wenn sie statistisch stabil, inhaltlich nachvollziehbar und ausreichend groß ist. Ein Cluster mit wenigen Einzelfällen ist nicht zwangsläufig falsch, muss aber besonders kritisch geprüft werden.

Bei Faktorenanalysen entstehen Fehlinterpretationen häufig durch eine unpassende Rotation oder durch das Festhalten an einer theoretisch gewünschten Faktorenzahl, obwohl die Daten dagegen sprechen. Orthogonale Rotation unterstellt unkorrelierte Faktoren. In vielen sozial- und gesundheitswissenschaftlichen Anwendungen sind Dimensionen aber plausibel miteinander verbunden. Dann ist eine schiefwinklige Rotation häufig angemessener.

So treffen Sie die methodische Entscheidung

Starten Sie nicht mit der Software, sondern mit einem präzisen Satz zu Ihrer Forschungsfrage. Wenn dieser Satz mit „Welche zugrunde liegenden Dimensionen ...?“ beginnt, spricht vieles für eine Faktorenanalyse. Wenn er mit „Welche Gruppen oder Profile ...?“ beginnt, ist eine Clusteranalyse wahrscheinlicher passend.

Prüfen Sie anschließend, was Ihre Variablen fachlich darstellen. Handelt es sich um mehrere Items, die ein Konstrukt messen sollen, benötigen Sie eher eine Faktorenanalyse. Handelt es sich um Merkmale, anhand derer Personen typisiert werden sollen, passt eher die Clusteranalyse. Berücksichtigen Sie außerdem Stichprobengröße, Messniveau, fehlende Werte und die theoretische Begründung der einbezogenen Variablen.

Für die Ergebnisdarstellung genügt es nicht, Tabellen aus SPSS, R, Stata oder Jamovi zu übernehmen. Bei einer Faktorenanalyse sollten Extraktionsmethode, Rotation, Faktorzahl, erklärte Varianz und zentrale Ladungen nachvollziehbar berichtet werden. Bei einer Clusteranalyse gehören Verfahren, Distanzmaß, Standardisierung, Entscheidung für die Clusterzahl und eine verständliche Beschreibung jedes Clusters in den Methodik- und Ergebnisteil.

Wenn diese Entscheidung in Ihrer Thesis, Dissertation oder Publikation noch offen ist, lohnt sich eine frühe methodische Einschätzung. Easy Statistik unterstützt Sie dabei individuell, diskret und mit statistischer Expertise auf Promotionsniveau - von der Auswahl des Verfahrens bis zur nachvollziehbaren Interpretation. Fordern Sie Ihre Statistikberatung über das Kontaktformular an, bevor eine unpassende Analyse wertvolle Zeit und eine überzeugende Forschungsargumentation kostet.